类目筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
深度筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
标签记录（食品学者）
清除全部筛选
标签记录（计算机学者）
共 2456 条结果
-
基于中红外光谱和化学计量学快速测量鸡肉中微塑料污染：一项可行性研究
查看原文
2020
Food Control
中科院一区JCR一区
Yichao Huang, James Chapman, Yongfeng Deng & Daniel Cozzolino
食品标签
禽肉 化学污染物 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据截至目前，微塑料检测仍被公认为极具挑战性，尤其是现场原位分析领域。尽管学界已投入大量精力，开发快速分析方法以检测、识别环境中的微塑料，但针对食品基质内微塑料的定性鉴别与定量检测研究仍较为匮乏。本研究旨在评估一种快速检测方法的应用可行性：该方法基于衰减全反射中红外光谱（ATR‑MIR） 结合化学计量学技术，用于鉴别均质鸡胸肉中聚苯乙烯（PS，粒径 100 μm）、 聚氯乙烯（PVC，粒径 3 μm、100 μm 及 2–4 mm） 两类微塑料的污染水平。研究采用中红外光谱法，对添加不同剂量微塑料的鸡肉样品进行污染水平评估。尽管该方法检测灵敏度中等，但 ATR‑MIR 技术仍可作为快速、可靠的分析工具，对鸡肉中添加 / 污染水平为 1%～10%的高剂量微塑料实现定性检测与定量分析。本研究为首次探索鸡肉基质中微塑料定量检测可行性的相关报道。该方法经优化并提升灵敏度后，未来可大幅拓展其在生物体或组织样品中非破坏性微塑料检测的应用范围，甚至有望实现活体生物内微塑料的原位检测。
-
基于高效液相色谱荧光检测指纹图谱与化学计量学技术的坚果分类及杏仁制品掺假检测与定量分析
查看原文
2020
Food Control
中科院一区JCR一区
Guillem Campmajó, Ruben Saez-Vigo, Javier Saurina & Oscar Núñez
食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据近年来，受经济利益驱动的食品欺诈行为呈上升趋势，优质食品遭掺假、以次充好的现象频发。此类问题还会危及食品安全，坚果类产品掺假更可能引发过敏反应，对人体健康构成威胁。为此，本研究采用高效液相色谱 - 荧光检测法（HPLC-FLD）构建指纹图谱，结合偏最小二乘判别分析（PLS-DA）对 10 类坚果进行分类判别；同时采用偏最小二乘回归（PLS），对杏仁制品（杏仁粉、杏仁吉士酱）中掺入榛子、花生的行为进行定性检测与定量分析。PLS-DA 模型实现了理想的坚果整体分类效果；针对杏仁与各掺假物构建的成对 PLS-DA 模型分类准确率达 100%。此外，PLS 回归模型对掺假比例的预测误差较低（低于 6.1%），且未观察到显著的基质效应。
-
基于卷积神经网络的南岩龙虾供应链个体识别
查看原文
2020
Food Control
中科院一区JCR一区
Son Anh Vo, Joel Scanlan & Paul Turner, Robert Ollington
食品标签
甲壳类 显微与成像技术计算机标签
卷积神经网络 分类/鉴别/等级评定 可见光/RGB/视频数据在多数溯源系统中，产品标识是支撑供应链全流程追踪活动开展的核心环节。采用条形码与射频识别（RFID）技术进行产品标记是实现该功能的最常用手段。然而，此类方案因成本与时间投入较高，对小微企业而言实施难度较大。此外，在结构复杂、管控薄弱的市场环境中，标识克隆、产品替换、标签复用等欺诈行为已成为切实存在的风险。针对 南部岩龙虾（Southern Rock Lobster, SRL） 的溯源需求，本文提出一种基于卷积神经网络（Convolutional Neural Networks, CNNs）的龙虾个体图像识别方案。本研究基于作者团队此前开展的龙虾自动化分级相关研究，进一步探索面向龙虾从捕捞到消费全链路追踪的低成本生物特征识别方案。该方法采用 孪生网络（Siamese 模型） 结合对比损失函数，通过龙虾头胸甲图像实现个体区分。研究认为，龙虾头胸甲部位的色彩与棘刺纹理具备独有的可识别个体特征。研究团队在某龙虾加工企业采集了包含 200 只龙虾个体的图像数据集，初步实验结果验证：将龙虾图像识别作为补充手段，可提升当前南部岩龙虾供应链中主流标签式追踪系统的安全性。
-
利用荧光光谱与机器学习算法光学检测杏仁粒中的黄曲霉毒素B
查看原文
2020
Food Control
中科院一区JCR一区
F.R. Bertani, L. Businaro, L. Gambacorta, A. Mencattini c, D. Brenda, D. Di Giuseppe, A. De Ninno, M. Solfrizzo, E. Martinelli & A. Gerardino
食品标签
豆类与坚果（及籽类） 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据黄曲霉毒素是由多种真菌广泛产生的真菌代谢产物，可污染各类食用农产品。该毒素与多种急慢性疾病密切相关，尤其会引发免疫抑制与癌症，因此相关研究已十分深入，其在食品中的残留水平也受到全球范围内的严格监测与管控。黄曲霉毒素的检测与定量分析主要依赖以色谱技术为核心的化学方法，以及近年发展的免疫化学检测法；这类方法虽各有优势，但也存在局限，均属于成本较高的有损检测技术。近年来，无损光学检测技术不断发展，可在保证适宜准确度与重复性的前提下，高效、经济地判别样品是否受污染。本文介绍了采用一款简易便携式设备对杏仁中黄曲霉毒素进行无损检测的研究结果。该方法以 375 nm 波长激发，通过分析杏仁匀浆的荧光光谱实现检测。实验所用杏仁为人工污染样品，经高效液相色谱 - 荧光检测法（HPLC/FLD）测定，总黄曲霉毒素 B（AFB₁ + AFB₂）含量范围为 2.7–320.2 ng/g。在光谱预处理后，研究基于支持向量机（SVM）算法构建二分类模型进行光谱分析，并对分类结果采用多数投票法进行决策。当设定阈值为 6.4 ng/g 时，该方法最优分类准确率可达 94%，假阴性率为 5%。上述结果证实，该技术路线可用于食品与饲料安全领域中黄曲霉毒素检测这一重大难题，具备切实可行性。
-
基于稳定同位素比率化学计量分析的韩国有机牛奶地理标志案例研究
查看原文
2020
Food Control
中科院一区JCR一区
Ill-Min Chung, Jae-Kwang Kim, Yu-Jin Yang, Yeon-Ju An, So-Yeon Kim, Chang Kwon & Seung-Hyun Kim
食品标签
液态乳 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
偏最小二乘法 分类/鉴别/等级评定本研究旨在解析韩国有机牛乳中δ¹³C、δ¹⁵N、δ¹⁸O、δ³⁴S的区域差异，并构建产地判别模型以筛选同位素标志物。研究采用稳定同位素比质谱仪测定有机牛乳的 δ¹³C、δ¹⁵N、δ¹⁸O、δ³⁴S 丰度，通过正交偏最小二乘判别分析（OPLS-DA） 开展两两区域对比，建立产地判别模型。模型在保宁、高敞、济州三区域间表现出优异的预测能力（累计预测能力 Qcum2≥0.828），对横城相关区域组合亦具备良好预测能力（Qcum2≥0.503）。其中，δ¹³C 为贡献度最高的关键指标；采用外部验证集绘制的预测图显示，保宁、高敞、济州三地样品的地理来源判别准确率高，误分类概率低于 5%。本研究明确了韩国有机牛乳的区域性 δ¹³C、δ¹⁵N、δ¹⁸O、δ³⁴S 同位素特征，可丰富全球同位素比值数据库，为有机牛乳可靠的地理标志认证提供数据支撑。
